• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于矩陣2-范數(shù)池化的卷積神經(jīng)網(wǎng)絡圖像識別算法

    2016-12-02 01:33:32趙繼生
    圖學學報 2016年5期
    關(guān)鍵詞:池化范數(shù)殘差

    余 萍, 趙繼生

    (華北電力大學電子與通信工程系,河北 保定 071003)

    基于矩陣2-范數(shù)池化的卷積神經(jīng)網(wǎng)絡圖像識別算法

    余 萍, 趙繼生

    (華北電力大學電子與通信工程系,河北 保定 071003)

    卷積神經(jīng)網(wǎng)絡中的池化操作可以實現(xiàn)圖像變換的縮放不變性,并且對噪聲和雜波有很好的魯棒性。針對圖像識別中池化操作提取局部特征時忽略了隱藏在圖像中的能量信息的問題,根據(jù)圖像的能量與矩陣的奇異值之間的關(guān)系,并且考慮到圖像信息的主要能量集中于奇異值中數(shù)值較大的幾個,提出一種矩陣2-范數(shù)池化方法。首先將前一卷積層特征圖劃分為若干個互不重疊的子塊圖像,然后分別計算子塊圖像矩陣的奇異值,將最大奇異值作為每個池化區(qū)域的統(tǒng)計結(jié)果。利用5種不同的池化方法在Cohn-Kanade、Caltech-101、MNIST和CIFAR-10數(shù)據(jù)集上進行了大量實驗,實驗結(jié)果表明,相比較于其他方法,該方法具有更好地識別效果和穩(wěn)健性。

    深度學習;卷積神經(jīng)網(wǎng)絡;矩陣2-范數(shù);池化;奇異值

    近年來興起的卷積神經(jīng)網(wǎng)絡技術(shù)已經(jīng)成為計算機科學領(lǐng)域的研究熱點,其通過多個階段的變換,深度挖掘隱含信息的本質(zhì)特征,由于可以直接將原始圖像作為網(wǎng)絡的輸入,避免了復雜特征

    提取和數(shù)據(jù)重建,因此被廣泛應用在文本、語音、圖像識別等領(lǐng)域[1-5]。池化是卷積神經(jīng)網(wǎng)絡架構(gòu)中的重要組成部分,其核心思想源于 Hubel和Wiesel[6]有關(guān)哺乳動物視覺皮層模型結(jié)構(gòu)的開創(chuàng)性研究工作以及Koenderink和Van Doorn[7]提出的圖像局部相關(guān)性原理,是將某些固定區(qū)域的聯(lián)合分布統(tǒng)計結(jié)果作為特征檢測器的響應,用于實現(xiàn)圖像變換的縮放不變性,以使得網(wǎng)絡對噪聲和雜波有很好的魯棒性。通過池化操作,可以減少數(shù)據(jù)處理量并保留有用信息[8-9]。池化操作在卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)中非常重要,可對網(wǎng)絡性能產(chǎn)生很大的影響,因此研究行之有效的池化方法是必要的。

    1982年,F(xiàn)ukushima和Miyake[10]在神經(jīng)認知機中采取特征池化的方法用于圖像識別,為其后計算機視覺識別模型中運用池化操作奠定了基礎(chǔ);Lecun等[11-12]使用均值池化的方法成功訓練出第一個基于誤差梯度的卷積神經(jīng)網(wǎng)絡;Ranzato等[13]、Jarrett等[14]使用最大池化方法在 Caltech-101、MNIST和NORB數(shù)據(jù)集上取得了當時最好的測試效果;Sermanet等[15]使用向量范數(shù)池化方法將SVHN數(shù)據(jù)集的正確識別率提升到94.85%;Zeiler 和 Fergus[16]將一種簡單而有效的隨機池化方法用于防止卷積神經(jīng)網(wǎng)絡訓練過程中產(chǎn)生的過擬合,并且取得了很好的效果。

    均值池化方法考慮了池化區(qū)域里的所有元素,當使用 f(x) = max(0,x)線性修正函數(shù)(rectified linear units, ReLUs)對神經(jīng)元進行激勵時,在均值計算過程中有很多零元素會削弱較大激活值的貢獻,不能很好地反映池化區(qū)域的特征,同時將會對權(quán)值的調(diào)整產(chǎn)生很大影響;尤其是使用雙曲正切函數(shù)(tanh)時,由于tanh函數(shù)關(guān)于零點反對稱,正負激活部分可能會相互抵消,導致很微弱的池化反應。最大池化很好地解決了上述問題,但是由于其只選取了每個池化區(qū)域的最大值,使得較小的激活值無法向下一層傳遞信息,在實際應用中容易產(chǎn)生過擬合,網(wǎng)絡的泛化能力較差,很難將其推廣到測試集上。隨機池化方法因為是根據(jù)多項式分布按照概率隨機選取激活值,在采樣層測試階段采取概率加權(quán)池化的方法下,使用tanh函數(shù)作為激勵時,由于負數(shù)的存在,使得測試階段計算出來的加權(quán)激活值與訓練階段隨機選取的激活值差別很大,測試分類效果很差[16]。向量范數(shù)池化方法在進行特征提取時,需要選取多種形式的向量范數(shù)池化方法進行比較才能選擇出表現(xiàn)良好性能的策略,降低了算法性能,使其并沒有得到大規(guī)模運用。本文提出一種基于矩陣 2-范數(shù)的池化方法,將矩陣的最大奇異值作為池化區(qū)域統(tǒng)計結(jié)果,在常用的Cohn-Kanade、Caltech-101、MNIST和CIFAR-10數(shù)據(jù)集上的測試結(jié)果表明,該池化方法相比較于其他方法具有更好的識別效果。

    1 卷積神經(jīng)網(wǎng)絡

    卷積神經(jīng)網(wǎng)絡是一個多層的非全連接的神經(jīng)網(wǎng)絡,融合局部感受野、權(quán)值共享和子采樣這 3種結(jié)構(gòu)特性使其自適應實現(xiàn)圖像的旋轉(zhuǎn)、平移和縮放等形式變換[12,17]。局部感受野是指每一層網(wǎng)絡的神經(jīng)元只與上一層某個固定大小的相鄰矩形區(qū)域內(nèi)的神經(jīng)元相連接,通過局部感受野,神經(jīng)元可以提取到方向線段、端點和角點等初級視覺特征。權(quán)值共享極大地減少了網(wǎng)絡模型需要訓練的參數(shù)個數(shù),降低了模型復雜度。子采樣降低了特征圖的空間分辨率,提高了模型抗噪能力。圖 1為本文所用到的一個 Cohn-Kanade實驗的卷積神經(jīng)網(wǎng)絡模型結(jié)構(gòu),包括輸入層、卷積層(由C標識)、采樣層(由S標識)、全連接層(由F標識)和輸出層。

    圖1 Cohn-Kanade實驗的卷積神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

    1.1 卷積層

    卷積層負責從輸入圖像的不同局部區(qū)域提取特征,可通過若干個可以學習的 × K K大小的卷積核與前一層的局部感受野進行卷積運算,并經(jīng)過激活函數(shù)的非線性作用得以實現(xiàn)。每個卷積層由多個特征圖組成,而每個特征圖又可與前一層的多個特征圖建立關(guān)系。卷積層的輸入與輸出形式分別為

    其中,Rj表示輸入特征圖的一個選擇;是第(l- 1)層的第i個特征圖的激活值;是第l層的第j個特征圖與第( l-1)層的第i個特征圖相連的卷積核;是第l層的第j個特征圖的偏置;f(·)表示神經(jīng)元的激活函數(shù),常采用的有飽和非線性函數(shù)(例如:sigmoid,表達式為 f(x) = (1 + e-x)-1;tanh等函數(shù))和不飽和非線性函數(shù)(例如:softplus,表達式為 f(x) = ln(1+ex);ReLUs等函數(shù))。

    1.2 采樣層

    采樣層是將卷積層的特征圖進行抽樣以提取用于分類的重要特征,即把輸入的特征圖劃分為多個不重疊的子塊,然后對每個子塊進行池化操作。采樣層只是做簡單的縮放映射,采樣層的特征圖與前一層的特征圖是一一對應的關(guān)系,假設前一個卷積層的特征圖大小為N×N,第j個特征圖矩陣記為,其中表示卷積層第j個特征圖矩陣元素,s和t為對應的序號。采樣窗口大小為n×n,采樣層的輸出為,其中。采樣層主要有均值池化、最大池化、向量范數(shù)池化和隨機池化4種構(gòu)建方式,其計算公式如下:

    (1) 均值池化的每個池化區(qū)域矩陣元素輸出形式為

    (2) 最大池化的每個池化區(qū)域矩陣元素輸出形式為

    (3) 向量范數(shù)池化的每個池化區(qū)域矩陣元素輸出形式為

    其中,P的取值不同代表了不同形式的向量范數(shù)。

    (4) 隨機池化的每個池化區(qū)域矩陣元素輸出形式為

    其中,“??”為向上取整符號。

    卷積神經(jīng)網(wǎng)絡通過卷積層和采樣層的交替作用來學習原始圖像的隱含特征,一般再經(jīng)過若干個普通神經(jīng)網(wǎng)絡里的全連接層,其輸入和輸出形式為

    按照梯度下降的原則,基于反向傳播算法(back propagation, BP)來調(diào)整相應的權(quán)重和偏置值。其中,全連接層權(quán)重值的更新公式為[18]

    其中, x (t )表示該神經(jīng)元的輸出; δ (t)表示該神經(jīng)元的殘差項;η表示學習率。

    2 基于矩陣2-范數(shù)的池化方法

    (3) 三角不等式:對于 ?B∈Rn×n,有;

    (4) 相 容 性 : 對 于 ?B∈Rn×n, 有

    根據(jù)以上矩陣范數(shù)的定義,介紹 2種常見的矩陣范數(shù):

    ① Frobenius范數(shù)(F-范數(shù),是向量 2-范數(shù)的推廣)

    ② 譜范數(shù)(矩陣2-范數(shù))

    其中, AT為A的轉(zhuǎn)置矩陣, λmax(ATA)為ATA的最大特征值。

    對方陣A進行奇異值分解有 A =UDVT,其中U和V都是正交矩陣, D=diag(d1,d2,···,dr)為對角矩陣,并且滿足d1≥ d2≥··· ≥ dr>0是矩陣A 的r個奇異值,r為矩陣A的秩。矩陣A的 F-范數(shù)和2-范數(shù)又可以表示為

    由式(14)、(15)可知,圖像的能量信息可以用矩陣的奇異值來表征,當圖像發(fā)生旋轉(zhuǎn)、平移、縮放等幾何失真時,根據(jù)奇異值分解理論,圖像矩陣的奇異值只發(fā)生很微小的變化,即圖像的能量信息具有較高的穩(wěn)定性[19-21]。因此,可將圖像的能量作為向下一層網(wǎng)絡傳遞的信息,以使得圖像的幾何失真具有高度不變性。考慮到圖像信息的主要能量集中于奇異值中數(shù)值較大的幾個,本文提出一種基于矩陣2-范數(shù)的池化方法,將矩陣的最大奇異值作為池化區(qū)域統(tǒng)計結(jié)果。相比較于F-范數(shù)方法,不僅計算簡單,且具有更好的穩(wěn)健性。

    以圖 2所示的一個池化過程為例,描述本文提出的矩陣2-范數(shù)的池化方法:

    步驟 1. 將N×N大小的卷積層特征圖劃分為若干個互不重疊的子塊矩陣,每個子塊矩陣的大小為n×n(圖2的卷積層特征圖中數(shù)字區(qū)域為其中一個子塊矩陣);

    涉及到反向傳播過程中,由式(11)可知,主要是計算殘差項 δ( t)。

    (1) 當l層是卷積神經(jīng)網(wǎng)絡中的輸出層時,第i個神經(jīng)元節(jié)點的殘差為

    其中,Yi表示理想狀態(tài)下的第i維標簽,為非線性映射函數(shù)的導數(shù),由于輸出層用于分類使用的是sigmoid函數(shù),因此,式(17)可以記為

    (2) 當l層是全連接層時,第i個神經(jīng)元節(jié)點的殘差為

    (3) 雖然采樣層沒有訓練的參數(shù),不需要進行參數(shù)更新,但是后面與之連接的卷積層和全連接層在計算殘差項時需要對其進行相應的操作。因此,仍然需要計算采樣層的殘差。

    ①當采樣層的下一層是卷積層時,第i個特征圖的殘差為

    ②當采樣層的下一層是全連接層時,需要將最后一個采樣層的二維特征圖拉伸為特征列向量,這里計算的是特征向量中第 i個神經(jīng)元節(jié)點的殘差

    (4) 當l層是卷積層時,需要將圖2采樣層中的一個元素對應的殘差項進行上采樣,本文的策略類似于均值采樣,將一個元素對應的殘差上采樣成具有相同元素的n×n大小的矩陣,第i個特征圖的殘差為

    其中, up(·)為一個上采樣函數(shù),就是計算下一個采樣層的殘差與一個n×n大小的全 1矩陣的克羅內(nèi)克積。

    圖2 矩陣2-范數(shù)的池化過程舉例

    3 實驗及結(jié)果分析

    為了驗證矩陣 2-范數(shù)池化方法的有效性,并且考慮到矩陣 2-范數(shù)的定義條件,本文探討在不同池化方法下,卷積層采取目前廣泛使用的ReLUs函數(shù),而全連接層使用sigmoid函數(shù)作為激活函數(shù)的圖像識別效果。實驗在 Matlab2013a環(huán)境下完成,采用的操作系統(tǒng)為Windows 8.1,CPU為Intel i5-4210m,主頻為2.6 GHz,內(nèi)存為8 G。實驗中的訓練次數(shù)最大設置為50次。

    3.1 Cohn-Kanade數(shù)據(jù)集實驗結(jié)果

    Cohn-Kanade(CK)數(shù)據(jù)集是美國卡內(nèi)基梅隆大學機器人研究所和心理學系共同建立的人臉表情庫,本文首先將 CK數(shù)據(jù)庫中的圖片裁剪成64×64大小的表情圖片,分為憤怒、厭惡、高興、恐懼、驚訝和悲傷等6種不同的表情,包含1 839張圖像,圖3為Cohn-Kanade實驗中用到的部分圖像。實驗中,每種表情都是隨機選取大約 90%的圖片作為訓練樣本,其余的作為測試樣本。

    圖3 Cohn-Kanade實驗中用到的部分圖像

    在圖1所示的Cohn-Kanade實驗的卷積神經(jīng)網(wǎng)絡模型結(jié)構(gòu)中,第一個卷積層C1通過5×5大小的卷積核獲得 4個 60×60大小的特征圖,共有4×(5×5+1)=104個需要訓練的未知參數(shù);接下來的采樣層S1對C1中所有互不重疊的2×2大小的子塊進行池化操作,得到4個30×30大小的特征圖,不含有未知參數(shù);余下的C2和S2層與此相類似;F3是一個與 S2全連接的網(wǎng)絡層,神經(jīng)元個數(shù)為100,總共有100×8×(13×13)+100=135300個連接;輸出層包含6個節(jié)點,使用全連接層的100維向量進行分類。圖4顯示了一張輸入圖像在矩陣2-范數(shù)池化網(wǎng)絡模型的卷積層和采樣層中的特征圖,各特征的數(shù)值分布于0到1之間,黑色為0,白色為 1。在采樣層使用不同池化方法下,Cohn-Kanade數(shù)據(jù)集的分類正確率如表1所示。從表1可看出,對于憤怒表情,最大和向量2-范數(shù)池化均能正確識別,而矩陣2-范數(shù)池化有1張錯誤識別;對于厭惡和高興表情,只有均值和隨機池化方法有 1張錯誤識別,其他池化方法均能正確識別;對于恐懼表情,5種池化方法都能正確識別;對于驚訝和悲傷表情,只有矩陣 2-范數(shù)池化方法識別效率好。矩陣2-范數(shù)池化方法在CK數(shù)據(jù)集上的正確識別率為97.77%。

    圖4 矩陣2-范數(shù)池化網(wǎng)絡模型的卷積層和采樣層中的特征圖

    表1 Cohn-Kanade數(shù)據(jù)集在不同池化方法下的分類正確率

    3.2 Caltech-101數(shù)據(jù)集實驗結(jié)果

    Caltech-101數(shù)據(jù)集包含101類物體和一類背景圖像,總共有9 144張大約300×300分辨率的圖像,每類的圖片數(shù)目從31到800張不等。考慮到特征維數(shù)較高會帶來內(nèi)存溢出問題,本文選取類別圖像中數(shù)目大于 400張的作為實驗對象,包括background、faces、faces_easy、motorbikes和airplanes 5類共計2 935張圖像,每類隨機選取M張圖像做訓練,訓練樣本共 5×M 張,其余的2935–5×M張為測試樣本。為了滿足輸入圖片的要求,使用雙線性插值算法將其歸一化為 140×140的灰度圖像,圖5為Caltech-101實驗中用到的部分圖像。

    圖5 Caltech-101實驗中用到的部分圖像

    本研究設計的Caltech-101實驗的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖6所示的2個卷積層、2個采樣層和1個全連接層,第一個卷積層的特征圖個數(shù)為9,卷積核的大小為16×16;第二個卷積層的特征圖個數(shù)為 18,卷積核的大小為 6×6;采樣窗口大小都為5×5;全連接層的神經(jīng)元個數(shù)為200。

    圖6 Caltech-101實驗的卷積神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

    采樣層使用不同池化方法,在訓練樣本不同時分類正確率如表2所示。從表2可以看出,本文提出的矩陣 2-范數(shù)池化方法比其他池化方法具有較高的識別率,而且訓練樣本的個數(shù)直接影響到識別率。當每類訓練樣本個數(shù)為 300時,本文提出的池化方法在測試樣本集上的識別率為93.24%。

    表2 Caltech-101數(shù)據(jù)集中訓練樣本不同時,不同池化方法下的網(wǎng)絡分類正確率(%)

    3.3 MNIST數(shù)據(jù)集實驗結(jié)果

    MNIST手寫字體(0~9數(shù)字)數(shù)據(jù)集共計60 000張訓練圖片和10 000張測試圖片,每張圖片均為28×28的灰度圖像,實驗中只需要將其歸一化為[0,1]。采用經(jīng)典的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)包括2個卷積層、2個采樣層和1個全連接層,卷積核的大小為5×5,采樣窗口大小都為2×2;第一個卷積層的特征圖個數(shù)為 6,第二個卷積層的特征圖個數(shù)為12,全連接層的神經(jīng)元個數(shù)為200。在采樣層采取不同池化方法下,網(wǎng)絡分類正確率隨著訓練次數(shù)變化曲線如圖7所示。

    圖7 MNIST數(shù)據(jù)集中不同池化方法的網(wǎng)絡分類正確率隨著訓練次數(shù)變化曲線

    MNIST數(shù)據(jù)集中的數(shù)字特征比較簡單,從圖7可以看出,5種池化方法都取得了不錯的識別效果,在訓練35次之后,使用矩陣2-范數(shù)池化方法的網(wǎng)絡分類正確率要高于其他方法。表 3的結(jié)果為 5種池化方法的最好識別結(jié)果,本文提出的方法在經(jīng)典卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)下的正確率最高為99.10%。

    表3 MNIST數(shù)據(jù)集在不同池化方法下的網(wǎng)絡分類正確率(%)

    3.4 CIFAR-10數(shù)據(jù)集實驗結(jié)果

    CIFAR-10數(shù)據(jù)集包含10類50 000張訓練圖片和10 000張測試圖片,每張圖片均為32×32的彩色自然圖像,實驗中先將圖像轉(zhuǎn)換成灰度,再進行均值和方差歸一化,最后進行ZCA白化操作。采用的網(wǎng)絡結(jié)構(gòu)設置為:8C1-4S1-16C2-4S2-240F3,卷積核大小為5×5。網(wǎng)絡結(jié)構(gòu)設置中的 C表示卷積層,前面對應的數(shù)字表示相應層的特征映射圖個數(shù);S表示采樣層,前面對應的數(shù)字表示采樣窗口的大小;F表示全連接層,對應的數(shù)字表示神經(jīng)元的個數(shù)。在采樣層使用不同池化方法下,CIFAR-10數(shù)據(jù)集的分類錯誤率如表4所示。從CIFAR-10數(shù)據(jù)集實驗結(jié)果可以看出,使用矩陣2-范數(shù)池化方法提高了識別準確率。

    表4 CIFAR-10數(shù)據(jù)集在不同池化方法下的網(wǎng)絡分類錯誤率(%)

    以上的實驗結(jié)果說明,MNIST樣本空間變化比較小,5種池化方法的識別率相差不大,但是使用矩陣 2-范數(shù)池化方法的識別率還是最高的,而在Cohn-Kanade、Caltech-101和CIFAR-10數(shù)據(jù)集上,識別率提升效果比較明顯,體現(xiàn)了本文方法在復雜特征樣本上具有較大的優(yōu)勢。進一步說明,采樣層使用矩陣 2-范數(shù)池化方法在降低特征圖分辨率的同時,保留了主要能量信息。

    4 結(jié)束語

    本文根據(jù)矩陣的奇異值分解對于圖像的幾何失真具有高度不變性的原理,考慮到圖像信息的主要能量集中于奇異值中較大的幾個,提出一種基于矩陣 2-范數(shù)的卷積神經(jīng)網(wǎng)絡池化方法,首先將卷積層特征圖劃分為若干個互不重疊的子塊圖像,然后分別計算子塊圖像矩陣的奇異值,將矩陣的最大奇異值作為池化區(qū)域統(tǒng)計結(jié)果。該方法將圖像的能量信息作為下一層網(wǎng)絡傳播的特征,同時也不至于使得信息特征過于復雜化。在Cohn-Kanade、Caltech-101、MNIST和CIFAR-10公開數(shù)據(jù)集上的對比測試表明:本文方法具有更高的識別率和很好的穩(wěn)健性,可以反映隱含在圖像中的能量信息特征。

    [1] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks [J]. Advance in Neural Information Processing Systems, 2012, 25(2): 1097-1105.

    [2] Ji S W, Xu W, Yang M, et al. 3D convolutional neural networks for human action recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1): 221-231.

    [3] Dahl G E, Sainath T N, Hinton G E. Improving deep neural networks for LVCSR using rectified linear units and dropout [C]//Acoustics, Speech and Signal Processing (ICASSP). New York: IEEE Press, 2013: 8609-8613.

    [4] Jin J Q, Fu K, Zhang C S. Traffic sign recognition with hinge loss trained convolutional neural networks [J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(5): 1991-2000.

    [5] Kim I J, Xie X H. Handwritten Hangul recognition using deep convolutional neural networks [J]. International Journal on Document Analysis and Recognition, 2014, 18(1): 1-13.

    [6] Hubel D H, Wiesel T N. Receptive fields, binocular interaction and functional architecture in the cat's visual cortex [J]. The Journal of Physiology, 1962, 160(1): 106-154.

    [7] Koenderink J, Van Doorn A. The structure of locally orderless images [J]. International Journal of Computer Vision, 1999, 31(2/3): 159-168.

    [8] Boureau Y L, Ponce J, Lecun Y. A theoretical analysis of feature pooling in visual recognition [C]//Proceeding of the 27th International Conference on Machine Learning. Haifa, Israel: ICML, 2010: 111-118.

    [9] Scherer D, Müller A, Behnke S. Evaluation of pooling operations in convolutional architectures for object recognition [C]//20th International Conference on Artificial Neural Networks. Berlin: Springer, 2010: 92-101.

    [10] Fukushima K, Miyake S. Neocognitron: A new algorithm for pattern recognition tolerant of deformations and shifts in position [J]. Pattern Recognition, 1982, 15(6): 455-469.

    [11] Lecun Y, Boser B, Denker J S, et al. Handwritten digit recognition with a back-propagation network [C]// Advances in Neural Information Processing Systems. San Francisco, CA: Morgan Kaufmann Publishers, 1990: 396-404.

    [12] Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition [J]. Proceeding of the IEEE, 1998, 86(11): 2278-2324.

    [13] Ranzato M, Boureau Y L, Lecun Y. Sparse feature learning for deep belief networks [C]//Neural Information Processing Systerms. Cambridge: MIT Press, 2007: 1185-1192.

    [14] Jarrett K, Kavukcuoglu K, Ranzato M, et al. What is the best multi-stage architecture for object recognition [C]// 2009 IEEE 12th International Conference on Computer Vision. New York: IEEE Press, 2009: 2146-2153.

    [15] Sermanet P, Chintala S, Lecun Y. Convolutional neural networks applied to house numbers digit classification [C]// 21st International Conference on Pattern Recognition. New York: IEEE Press, 2012: 11-15.

    [16] Zeiler M D, Fergus R. Stochastic pooling for regularization of deep convolutional neural networks [C]// International Conference on Learning Representations. Arizona, USA: ICLR, 2013: 1-9.

    [17] Lecun Y, Kavukcuiglu K, Farabet C. Convolution networks and applications in vision [C]//Proceedings of 2010 IEEE International Symposium on Circuits and Systems. New York: IEEE Press, 2010: 253-256.

    [18] Hinton G E. How neural networks learn from experience [J]. Scientific American, 1992, 267(3): 145-151.

    [19] Wall M E, Rechtsteiner A, Rocha L M. Singular value decomposition and principle component analysis [J]. A Practical Approach to Microarray Data Analysis, 2002, 5: 91-109.

    [20] 周 波, 陳 健. 基于奇異值分解的、抗幾何失真的數(shù)字水印算法[J]. 中國圖象圖形學報, 2004, 9(4): 506-512.

    [21] 朱曉臨, 李雪艷, 邢燕, 等. 基于小波和奇異值分解的圖像邊緣檢測[J]. 圖學學報, 2014, 35(4): 563-570.

    Image Recognition Algorithm of Convolutional Neural Networks Based on Matrix 2-Norm Pooling

    Yu Ping, Zhao Jisheng

    (Department of Electronics and Communication Engineering, North China Electric Power University, Baoding Hebei 071003, China)

    The pooling operation in convolutional neural networks can achieve the scale invariance of image transformations, and has better robustness to noise and clutter. In view of the problem that pooling operation ignores the energy information hidden in the image when it extracts local features for image recognition, according to the relationship between energy of the image and singular value of the matrix, and taking into account the image information of the energy mainly concentrates on the larger singular value, a pooling method based on matrix 2-norm was proposed. The former feature map of convolutional layer is divided into several non-overlapping sub blocks, and then singular value of the matrix is calculated. The maximum value is used as the statistical results of each pooling region. Various numerical experiments has been carried out based on Cohn-Kanade, Caltech-101, MNIST and CIFAR-10 database using different kinds of pooling method. Experimental results show that the proposed method is superior in both recognition rate and robustness compared with other methods.

    deep learning; convolutional neural networks; matrix 2-norm; pooling; singular value

    TP 391

    10.11996/JG.j.2095-302X.2016050694

    A

    2095-302X(2016)05-0694-08

    2015-07-20;定稿日期:2016-04-25

    余 萍(1963–),女,浙江富陽人,副教授,學士。主要研究方向為圖像處理、模式識別。E-mail:well_yp@yeah.net

    猜你喜歡
    池化范數(shù)殘差
    基于緊湊型雙線性網(wǎng)絡的野生茵識別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設計
    基于雙向GRU與殘差擬合的車輛跟馳建模
    卷積神經(jīng)網(wǎng)絡中的自適應加權(quán)池化
    軟件導刊(2022年3期)2022-03-25 04:45:04
    基于殘差學習的自適應無人機目標跟蹤算法
    基于遞歸殘差網(wǎng)絡的圖像超分辨率重建
    自動化學報(2019年6期)2019-07-23 01:18:32
    基于卷積神經(jīng)網(wǎng)絡和池化算法的表情識別研究
    基于加權(quán)核范數(shù)與范數(shù)的魯棒主成分分析
    矩陣酉不變范數(shù)H?lder不等式及其應用
    平穩(wěn)自相關(guān)過程的殘差累積和控制圖
    河南科技(2015年8期)2015-03-11 16:23:52
    法律面前人人平等表现在哪些方面| www.精华液| av有码第一页| 在线十欧美十亚洲十日本专区| 真人一进一出gif抽搐免费| 无遮挡黄片免费观看| 91老司机精品| av超薄肉色丝袜交足视频| 深夜精品福利| 国产男靠女视频免费网站| 国产区一区二久久| 啦啦啦 在线观看视频| 国产野战对白在线观看| 午夜两性在线视频| 丁香六月欧美| 久久久久久亚洲精品国产蜜桃av| 国产一区二区三区综合在线观看| 美女午夜性视频免费| 一区二区三区激情视频| 丝袜美足系列| 成人三级做爰电影| 久久午夜亚洲精品久久| 一级a爱片免费观看的视频| 亚洲成人免费av在线播放| 每晚都被弄得嗷嗷叫到高潮| 欧美性长视频在线观看| 午夜免费鲁丝| 看黄色毛片网站| 男女高潮啪啪啪动态图| 在线观看免费午夜福利视频| 久9热在线精品视频| 亚洲一卡2卡3卡4卡5卡精品中文| 久久精品91无色码中文字幕| av在线天堂中文字幕 | 黄色 视频免费看| 国产精品98久久久久久宅男小说| 国产精品永久免费网站| 婷婷丁香在线五月| 国产激情久久老熟女| www国产在线视频色| 性少妇av在线| 女警被强在线播放| 久久性视频一级片| 嫩草影院精品99| 91成年电影在线观看| 丰满的人妻完整版| 亚洲伊人色综图| 999久久久国产精品视频| 在线播放国产精品三级| 国产亚洲欧美精品永久| tocl精华| 精品福利永久在线观看| 啦啦啦 在线观看视频| avwww免费| 久久人人精品亚洲av| 国产精品国产高清国产av| 正在播放国产对白刺激| 久久久久久久久久久久大奶| 十八禁网站免费在线| 一级a爱片免费观看的视频| 巨乳人妻的诱惑在线观看| 久久久国产欧美日韩av| 亚洲av成人不卡在线观看播放网| 亚洲五月色婷婷综合| 少妇粗大呻吟视频| 亚洲 欧美 日韩 在线 免费| 啦啦啦在线免费观看视频4| 色尼玛亚洲综合影院| 成人18禁在线播放| 亚洲精品久久午夜乱码| 国产成人免费无遮挡视频| 老司机午夜福利在线观看视频| 大香蕉久久成人网| 午夜福利,免费看| 欧美激情极品国产一区二区三区| 国产野战对白在线观看| 村上凉子中文字幕在线| 巨乳人妻的诱惑在线观看| 手机成人av网站| 婷婷丁香在线五月| 村上凉子中文字幕在线| 一本综合久久免费| 午夜精品在线福利| 国产一区在线观看成人免费| 精品久久久精品久久久| netflix在线观看网站| 99国产精品一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲色图 男人天堂 中文字幕| 女警被强在线播放| x7x7x7水蜜桃| 久久这里只有精品19| 后天国语完整版免费观看| 亚洲一码二码三码区别大吗| 亚洲熟妇熟女久久| 欧美黄色片欧美黄色片| 精品一品国产午夜福利视频| 日本免费一区二区三区高清不卡 | 91在线观看av| 高清欧美精品videossex| 热99国产精品久久久久久7| 亚洲va日本ⅴa欧美va伊人久久| 国产亚洲精品一区二区www| 美女国产高潮福利片在线看| 亚洲人成网站在线播放欧美日韩| 亚洲精品久久午夜乱码| 国产成人欧美在线观看| 国产精品秋霞免费鲁丝片| 欧美日韩一级在线毛片| 亚洲九九香蕉| 婷婷六月久久综合丁香| 亚洲伊人色综图| 999精品在线视频| 97人妻天天添夜夜摸| 中文字幕高清在线视频| 最新美女视频免费是黄的| 99久久国产精品久久久| 满18在线观看网站| 岛国视频午夜一区免费看| 丁香欧美五月| 好男人电影高清在线观看| 日韩国内少妇激情av| 最新美女视频免费是黄的| 多毛熟女@视频| 国产麻豆69| 老鸭窝网址在线观看| 露出奶头的视频| 亚洲男人天堂网一区| 久久狼人影院| 国产三级在线视频| 国产欧美日韩一区二区三区在线| 天堂俺去俺来也www色官网| 日韩免费高清中文字幕av| 99国产精品99久久久久| 精品第一国产精品| 色综合欧美亚洲国产小说| 女警被强在线播放| 黄片大片在线免费观看| 国产成人精品无人区| 精品国产乱码久久久久久男人| 亚洲熟妇熟女久久| 久热这里只有精品99| 亚洲第一av免费看| 久久欧美精品欧美久久欧美| 不卡一级毛片| 老司机靠b影院| 国产一区二区三区视频了| 亚洲熟女毛片儿| 午夜激情av网站| 纯流量卡能插随身wifi吗| 久久天堂一区二区三区四区| 日韩三级视频一区二区三区| 久久九九热精品免费| 91麻豆av在线| 免费不卡黄色视频| 国产av又大| 人人妻人人爽人人添夜夜欢视频| av视频免费观看在线观看| 精品一品国产午夜福利视频| 久久狼人影院| 美女午夜性视频免费| 国产成人欧美在线观看| 天天添夜夜摸| 欧美黑人欧美精品刺激| 久久香蕉国产精品| 亚洲成人国产一区在线观看| 日本 av在线| 午夜a级毛片| 成人三级黄色视频| 91成人精品电影| 婷婷精品国产亚洲av在线| 欧美日本亚洲视频在线播放| 12—13女人毛片做爰片一| 超碰97精品在线观看| 亚洲精品在线美女| 国产精品98久久久久久宅男小说| 国产乱人伦免费视频| 一二三四在线观看免费中文在| 欧美性长视频在线观看| 久久精品亚洲精品国产色婷小说| 亚洲一区二区三区不卡视频| 亚洲自偷自拍图片 自拍| 亚洲av成人一区二区三| 久久热在线av| 丰满迷人的少妇在线观看| 啦啦啦在线免费观看视频4| 看黄色毛片网站| 黑人欧美特级aaaaaa片| 一级毛片女人18水好多| 欧美中文综合在线视频| 欧美中文综合在线视频| 国产一区二区激情短视频| 午夜免费观看网址| 国产欧美日韩一区二区三| 国产又色又爽无遮挡免费看| av中文乱码字幕在线| 在线观看一区二区三区激情| 涩涩av久久男人的天堂| 12—13女人毛片做爰片一| 久久欧美精品欧美久久欧美| 欧美+亚洲+日韩+国产| 色哟哟哟哟哟哟| 每晚都被弄得嗷嗷叫到高潮| 亚洲成人免费av在线播放| 日韩 欧美 亚洲 中文字幕| 亚洲第一青青草原| 中文字幕人妻丝袜一区二区| 国产午夜精品久久久久久| 超色免费av| 色在线成人网| 国产av在哪里看| 国产野战对白在线观看| 搡老岳熟女国产| a级片在线免费高清观看视频| 免费av毛片视频| 91麻豆精品激情在线观看国产 | 在线观看午夜福利视频| 国产精品偷伦视频观看了| 亚洲一卡2卡3卡4卡5卡精品中文| 精品无人区乱码1区二区| 亚洲免费av在线视频| 夫妻午夜视频| 91大片在线观看| 高潮久久久久久久久久久不卡| 黄色毛片三级朝国网站| 国产成人免费无遮挡视频| 久久 成人 亚洲| 搡老熟女国产l中国老女人| 国产熟女xx| 757午夜福利合集在线观看| 亚洲色图av天堂| av免费在线观看网站| 动漫黄色视频在线观看| 伊人久久大香线蕉亚洲五| 国产男靠女视频免费网站| 久久国产乱子伦精品免费另类| 午夜免费成人在线视频| 精品电影一区二区在线| 99久久人妻综合| 欧美日本亚洲视频在线播放| 国产亚洲精品第一综合不卡| 新久久久久国产一级毛片| 亚洲成人精品中文字幕电影 | 亚洲精品美女久久av网站| av有码第一页| 亚洲av第一区精品v没综合| 在线观看免费日韩欧美大片| 女警被强在线播放| x7x7x7水蜜桃| 亚洲成国产人片在线观看| 老司机福利观看| 中文字幕av电影在线播放| 亚洲av成人一区二区三| 日韩免费高清中文字幕av| 欧美精品亚洲一区二区| 麻豆久久精品国产亚洲av | a级毛片在线看网站| 夜夜爽天天搞| 欧美成狂野欧美在线观看| 在线观看免费午夜福利视频| 极品人妻少妇av视频| 亚洲欧洲精品一区二区精品久久久| 欧美最黄视频在线播放免费 | 亚洲av五月六月丁香网| 久久久久久人人人人人| 亚洲自拍偷在线| 国产精品日韩av在线免费观看 | 欧美日韩视频精品一区| 久久久精品欧美日韩精品| 免费女性裸体啪啪无遮挡网站| 免费女性裸体啪啪无遮挡网站| 午夜福利在线观看吧| 麻豆国产av国片精品| 日本wwww免费看| 色尼玛亚洲综合影院| 精品高清国产在线一区| 老司机亚洲免费影院| 午夜两性在线视频| 一进一出抽搐gif免费好疼 | 国产国语露脸激情在线看| 午夜成年电影在线免费观看| av免费在线观看网站| 1024香蕉在线观看| 91精品三级在线观看| 久久人妻熟女aⅴ| 午夜免费激情av| 女人被狂操c到高潮| 成人影院久久| 午夜免费鲁丝| 夜夜看夜夜爽夜夜摸 | 精品国产超薄肉色丝袜足j| 亚洲全国av大片| 久久久久亚洲av毛片大全| 精品一区二区三卡| 黄色女人牲交| 日韩人妻精品一区2区三区| 久久精品91无色码中文字幕| 天堂√8在线中文| 精品国产乱码久久久久久男人| 老鸭窝网址在线观看| 精品一区二区三区四区五区乱码| 亚洲免费av在线视频| 国产精品久久电影中文字幕| 国产精品电影一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲五月色婷婷综合| 丁香欧美五月| 亚洲国产看品久久| 欧美老熟妇乱子伦牲交| 中文字幕色久视频| 国产精品香港三级国产av潘金莲| a级片在线免费高清观看视频| 免费观看人在逋| 一区在线观看完整版| 男女高潮啪啪啪动态图| 脱女人内裤的视频| 一二三四在线观看免费中文在| 亚洲欧美日韩无卡精品| 亚洲av日韩精品久久久久久密| 高清毛片免费观看视频网站 | 女人被狂操c到高潮| 人人妻人人添人人爽欧美一区卜| 中文字幕精品免费在线观看视频| 亚洲人成网站在线播放欧美日韩| 自线自在国产av| 亚洲精品久久成人aⅴ小说| 亚洲成av片中文字幕在线观看| 欧美激情 高清一区二区三区| 国产一区二区在线av高清观看| 天堂中文最新版在线下载| 成人黄色视频免费在线看| 久久久久久亚洲精品国产蜜桃av| 久久午夜综合久久蜜桃| 国产亚洲精品一区二区www| 看免费av毛片| 国产亚洲精品综合一区在线观看 | 免费久久久久久久精品成人欧美视频| 免费观看精品视频网站| 国产成+人综合+亚洲专区| 妹子高潮喷水视频| 一区福利在线观看| 亚洲av第一区精品v没综合| 99久久国产精品久久久| av天堂久久9| 亚洲自偷自拍图片 自拍| 精品国产亚洲在线| 国产又色又爽无遮挡免费看| 国产一区二区激情短视频| 交换朋友夫妻互换小说| 久久午夜亚洲精品久久| 熟女少妇亚洲综合色aaa.| 欧美精品啪啪一区二区三区| 最好的美女福利视频网| 国产精品免费一区二区三区在线| 国产精品九九99| 中亚洲国语对白在线视频| 久久久久久亚洲精品国产蜜桃av| 亚洲情色 制服丝袜| 水蜜桃什么品种好| 99re在线观看精品视频| 国产av精品麻豆| 国产精品永久免费网站| 热re99久久精品国产66热6| 日韩欧美三级三区| 一边摸一边抽搐一进一小说| 成人精品一区二区免费| 亚洲第一av免费看| 日日干狠狠操夜夜爽| 精品午夜福利视频在线观看一区| 亚洲午夜精品一区,二区,三区| a级片在线免费高清观看视频| 午夜免费激情av| 50天的宝宝边吃奶边哭怎么回事| 人人妻,人人澡人人爽秒播| 99国产精品一区二区蜜桃av| √禁漫天堂资源中文www| 国产精品1区2区在线观看.| 国产黄a三级三级三级人| 夜夜夜夜夜久久久久| 老司机深夜福利视频在线观看| 久久狼人影院| 91国产中文字幕| 亚洲午夜理论影院| 精品久久久久久,| 国产精品久久视频播放| 精品第一国产精品| 少妇粗大呻吟视频| 99精国产麻豆久久婷婷| 亚洲欧美精品综合一区二区三区| 亚洲一区二区三区色噜噜 | 天堂中文最新版在线下载| 日韩欧美在线二视频| 亚洲精品一卡2卡三卡4卡5卡| 在线免费观看的www视频| 久99久视频精品免费| 亚洲一区二区三区不卡视频| 久久狼人影院| 男人操女人黄网站| 亚洲一区中文字幕在线| 中文字幕人妻丝袜一区二区| 两性夫妻黄色片| 日日夜夜操网爽| 99久久人妻综合| 亚洲一区二区三区欧美精品| 久久午夜综合久久蜜桃| 亚洲 欧美 日韩 在线 免费| 99国产综合亚洲精品| 黄片播放在线免费| 亚洲少妇的诱惑av| www.www免费av| 久久 成人 亚洲| 女人被躁到高潮嗷嗷叫费观| 国产精品国产av在线观看| 狠狠狠狠99中文字幕| 欧美日韩亚洲国产一区二区在线观看| 午夜福利影视在线免费观看| 久热这里只有精品99| 成人黄色视频免费在线看| 女人爽到高潮嗷嗷叫在线视频| 精品一区二区三卡| 午夜精品久久久久久毛片777| 手机成人av网站| 成人亚洲精品一区在线观看| 国产高清国产精品国产三级| 男女午夜视频在线观看| 满18在线观看网站| 可以在线观看毛片的网站| avwww免费| 午夜精品久久久久久毛片777| 欧美日韩瑟瑟在线播放| 国产一区二区三区综合在线观看| 女人精品久久久久毛片| 亚洲欧美日韩另类电影网站| 美女高潮到喷水免费观看| 成人影院久久| 涩涩av久久男人的天堂| 国产精华一区二区三区| 欧美不卡视频在线免费观看 | 在线观看免费视频网站a站| 国产极品粉嫩免费观看在线| 激情在线观看视频在线高清| 午夜福利免费观看在线| 精品午夜福利视频在线观看一区| 亚洲久久久国产精品| 国产欧美日韩精品亚洲av| 国产国语露脸激情在线看| 亚洲色图av天堂| 亚洲,欧美精品.| 免费在线观看亚洲国产| 水蜜桃什么品种好| 成在线人永久免费视频| 欧美大码av| 一区二区三区国产精品乱码| 午夜福利欧美成人| 国产精品秋霞免费鲁丝片| 欧美性长视频在线观看| 国产精品国产av在线观看| 久99久视频精品免费| 老司机亚洲免费影院| 天堂动漫精品| 久99久视频精品免费| 亚洲一区二区三区不卡视频| 欧美黄色片欧美黄色片| 成人国语在线视频| 国产视频一区二区在线看| 国产一区二区三区在线臀色熟女 | 亚洲熟女毛片儿| 久久香蕉国产精品| 成人国语在线视频| 亚洲五月色婷婷综合| 视频区欧美日本亚洲| 精品久久久久久成人av| 亚洲三区欧美一区| 欧美日韩亚洲综合一区二区三区_| 精品久久久久久久久久免费视频 | 1024香蕉在线观看| 午夜老司机福利片| 色哟哟哟哟哟哟| 免费观看人在逋| 美女扒开内裤让男人捅视频| 丝袜在线中文字幕| 精品福利永久在线观看| 欧美人与性动交α欧美软件| 午夜福利,免费看| 中出人妻视频一区二区| 老司机靠b影院| cao死你这个sao货| av电影中文网址| 免费在线观看完整版高清| 久久久国产成人精品二区 | 99国产精品一区二区蜜桃av| 丰满迷人的少妇在线观看| 天天影视国产精品| xxxwww97欧美| 动漫黄色视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 波多野结衣巨乳人妻| 免费电影在线观看免费观看| 亚洲欧美精品综合久久99| 国产男靠女视频免费网站| 午夜精品久久久久久毛片777| 亚洲专区国产一区二区| 亚洲黑人精品在线| 免费无遮挡裸体视频| 最近视频中文字幕2019在线8| 夜夜躁狠狠躁天天躁| 色综合亚洲欧美另类图片| 国产成人欧美在线观看| 亚洲一区二区三区色噜噜| 最近最新免费中文字幕在线| 老司机深夜福利视频在线观看| a级毛片a级免费在线| 亚洲人成网站高清观看| 18禁黄网站禁片免费观看直播| 好男人在线观看高清免费视频| 波野结衣二区三区在线| 露出奶头的视频| 又爽又黄无遮挡网站| 国产午夜福利久久久久久| а√天堂www在线а√下载| 18+在线观看网站| 亚州av有码| 午夜久久久久精精品| 亚洲片人在线观看| 成年免费大片在线观看| 亚洲成人久久性| 免费人成视频x8x8入口观看| 久久久久久久久久成人| 欧美日韩中文字幕国产精品一区二区三区| 亚洲天堂国产精品一区在线| 少妇人妻一区二区三区视频| 美女高潮的动态| 成人毛片a级毛片在线播放| 欧美成人一区二区免费高清观看| 国产成+人综合+亚洲专区| 久久精品综合一区二区三区| 天堂网av新在线| 男人舔女人下体高潮全视频| 国产成人欧美在线观看| 亚洲精品在线美女| 一个人观看的视频www高清免费观看| 9191精品国产免费久久| 亚洲熟妇熟女久久| 成人美女网站在线观看视频| 97超视频在线观看视频| 欧美极品一区二区三区四区| 亚洲精品一区av在线观看| 国产麻豆成人av免费视频| 我的老师免费观看完整版| 天天躁日日操中文字幕| 欧美激情久久久久久爽电影| 久久精品综合一区二区三区| 亚洲天堂国产精品一区在线| 欧美bdsm另类| 国产成人欧美在线观看| 神马国产精品三级电影在线观看| 久久久国产成人免费| 国产精品久久久久久久电影| 欧美激情在线99| 国产免费男女视频| 嫩草影院精品99| 亚洲三级黄色毛片| 宅男免费午夜| 精品午夜福利视频在线观看一区| 免费看a级黄色片| 国产日本99.免费观看| 日本五十路高清| 久9热在线精品视频| 亚洲专区中文字幕在线| 国产真实乱freesex| 永久网站在线| 国产精华一区二区三区| 亚洲第一区二区三区不卡| 一边摸一边抽搐一进一小说| 成人国产综合亚洲| 日本a在线网址| 国产精品99久久久久久久久| 国产精品自产拍在线观看55亚洲| 99精品在免费线老司机午夜| 久久久久久久久久黄片| 高清在线国产一区| 亚洲片人在线观看| 久久伊人香网站| 日本 av在线| 亚洲美女搞黄在线观看 | 欧美在线一区亚洲| av天堂中文字幕网| 中亚洲国语对白在线视频| 久久国产精品影院| 日韩高清综合在线| 国产精品一区二区性色av| 亚洲成人久久爱视频| 亚洲av成人不卡在线观看播放网| 亚洲成人久久爱视频| 日韩欧美 国产精品| 成人性生交大片免费视频hd| 国产免费一级a男人的天堂| 国产真实乱freesex| 国产免费一级a男人的天堂| 久久久色成人| 97碰自拍视频| 国产成人欧美在线观看| 3wmmmm亚洲av在线观看| 人妻久久中文字幕网| 久久国产乱子免费精品| 欧美另类亚洲清纯唯美| 久久久成人免费电影| 国产大屁股一区二区在线视频| 亚洲,欧美精品.| 国产精品电影一区二区三区| 国产精品三级大全| 少妇的逼水好多| 俄罗斯特黄特色一大片| 黄色一级大片看看|